1.一种图像分类方法，其特征在于，包括：获取摄像设备的采集图像；

将所述采集图像输入图像分类模型进行分类；

所述图像分类模型通过以下训练步骤训练得到，包括：获取训练图片，将所述训练图片输入预设图像分类模型中，获取所述预设图像分类模型输出的预测标签；

获取所述训练图片的真实标签，检测所述真实标签与所述预测标签是否一致；

当所述真实标签与所述预测标签不一致时，更新所述真实标签，使所述真实标签中的至少一个分类标签值分别向所述预测标签中对应的至少一个分类标签值靠近，得到更新后的真实标签；

根据所述更新后的真实标签进行训练，得到所述图像分类模型。

2.根据权利要求1所述的图像分类方法，其特征在于，所述更新所述真实标签包括：获取预设图像分类模型的分类类别数量s，并获取所述真实标签中的多个真实分类标签值以及所述预测标签中的多个预测分类标签值；

当所述分类类别数量s＝2时，在所述预设图像分类模型预测的分类类别为错误分类类别的情况下，将所述训练图片的真实分类标签值分为正确分类标签值和错误分类标签值，其中，所述正确分类标签值为所述真实标签中正确分类类别对应的分类标签值，所述错误分类标签值为所述真实标签中所述预设图像分类模型预测的错误分类类别对应的分类标签值；

根据第一标签更新公式对所述真实标签中的真实分类标签值进行更新；

所述第一标签更新公式包括：正确分类标签值的更新公式和错误分类标签值的更新公式；

所述正确分类标签值的更新公式为：所述错误分类标签值的更新公式为：其中，ye是更新后的正确分类标签值，ye’是更新前的正确分类标签值，c是标签软化系数，s是所述预设图像分类模型的分类类别数量，yn是更新后的错误分类标签值，yn’是更新前的错误分类标签值， τ为第一预设系数， 为第二预设系数，ω为第三预设系数。

3.根据权利要求2所述的图像分类方法，其特征在于，所述更新所述真实标签中，在所述获取预设图像分类模型分类类别数量s之后，还包括：当所述分类类别数量s≥3时，在所述预设图像分类模型预测的分类类别为错误分类类别的情况下，将所述训练图片的真实分类标签值分为正确分类标签值、错误分类标签值以及其他分类标签值，其中，所述其他分类标签值为真实标签中排除所述正确分类标签值和所述错误分类标签值后剩余的分类标签值；

根据第一标签更新公式对所述真实标签中的真实分类标签值进行更新；

所述第一标签更新公式还包括：其他分类标签值的更新公式；

所述其他分类标签值的更新公式为：其中，yo是更新后的其他分类标签值，yo’是更新前的其他分类标签值，τ为第一预设系数， 为第二预设系数，ω为第三预设系数。

4.根据权利要求2所述的图像分类方法，其特征在于，所述标签软化系数与错误预测分类标签值成正比，所述错误预测分类标签值为所述预测标签中所述预设图像分类模型预测的错误分类类别对应的分类标签值。

5.根据权利要求2所述的图像分类方法，其特征在于，所述根据所述更新后的真实标签进行训练包括：对所述训练图片的真实标签进行多次循环更新；

所述循环更新的步骤包括：

获取当前循环训练图片，所述当前循环训练图片为前一次循环更新中真实标签更新后的训练图片，将所述当前循环训练图片输入所述预设图像分类模型中，获取所述预设图像分类模型输出的当前循环预测标签；

获取所述当前循环训练图片的真实标签，得到当前循环真实标签，检测所述当前循环真实标签与所述当前循环预测标签是否一致；

当所述当前循环真实标签与所述当前循环预测标签不一致时，更新所述当前循环真实标签，使所述当前循环真实标签中的至少一个分类标签值分别向所述当前循环预测标签中对应的至少一个分类标签值靠近，得到当前循环更新后的真实标签以及真实标签更新后的训练图片。

6.根据权利要求5所述的图像分类方法，其特征在于，还包括：根据所述真实标签的更新次数减小所述标签软化系数；

其中，所述标签软化系数的更新公式为：γ(σ‑1)

c＝C’×β

其中，c为更新后的标签软化系数，C’为更新前的标签软化系数，β为预设更新系数，0＜β＜1，γ为预设调整系数，σ为所述真实标签的更新的次数。

7.一种图像分类系统，其特征在于，包括：图像获取模块，用于获取摄像设备的采集图像；

分类模块，用于将所述采集图像输入图像分类模型进行分类；

训练模块，用于训练得到所述图像分类模型；

所述训练得到所述图像分类模型的步骤包括：获取训练图片，将所述训练图片输入预设图像分类模型中，获取所述预设图像分类模型输出的预测标签；

获取所述训练图片的真实标签，检测所述真实标签与所述预测标签是否一致；

当所述真实标签与所述预测标签不一致时，更新所述真实标签，使所述真实标签中的至少一个分类标签值分别向所述预测标签中对应的至少一个分类标签值靠近，得到更新后的真实标签；

根据所述更新后的真实标签进行训练，得到所述图像分类模型。

8.根据权利要求7所述的图像分类系统，其特征在于，所述训练模块包括：标签更新单元，标签软化系数更新单元；

所述标签更新单元，用于获取所述预设图像分类模型分类类别数量s，以及获取所述真实标签中的多个真实分类标签值以及所述预测标签中的多个预测分类标签值；当分类类别数量s＝2时，在所述预设图像分类模型预测的分类类别为错误分类类别的情况下，将所述训练图片的真实分类标签值分为正确分类标签值和错误分类标签值，当所述分类类别数量s≥3时将所述训练图片的真实分类标签值分为正确分类标签值、错误分类标签值以及其他分类标签值，其中，所述正确分类标签值为所述真实标签中正确分类类别对应的分类标签值，所述错误分类标签值为所述真实标签中所述预设图像分类模型预测的错误分类类别对应的分类标签值，所述其他分类标签值为真实标签中排除所述正确分类标签值和所述错误分类标签值后剩余的分类标签值；根据第一标签更新公式对所述真实标签中的真实分类标签值进行更新；所述第一标签更新公式包括：正确分类标签值的更新公式、错误分类标签值的更新公式以及其他分类标签值的更新公式；

所述正确分类标签值的更新公式为：所述错误分类标签值的更新公式为：所述其他分类标签值的更新公式为：其中，ye是更新后的正确分类标签值，ye’是更新前的正确分类标签值，c是标签软化系数，s是所述预设图像分类模型的分类类别数量，yn是更新后的错误分类标签值，yn’是更新前的错误分类标签值，yo是更新后的其他分类标签值，yo’是更新前的其他分类标签值，τ为第一预设系数， 为第二预设系数，ω为第三预设系数；

所述标签软化系数更新单元，用于根据所述真实标签的更新次数减小所述标签软化系数；

所述标签软化系数的更新公式为：γ(σ‑1)

C＝c’×β

其中，c为更新后的标签软化系数，c’为更新前的标签软化系数，β为预设更新系数，0＜β＜1，γ为预设调整系数，σ为所述真实标签的更新的次数。

9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述的图像分类方法的步骤。

10.一种计算机可读的存储介质，所述存储介质上存储有计算机程序，其特征在于，当计算机程序在计算机上执行时，使得所述计算机执行如权利要求1至6任一项所述的图像分类方法的步骤。